机器学习和数据挖掘(7):VC维

2024-08-24 11:08
文章标签 学习 机器 数据挖掘 vc

本文主要是介绍机器学习和数据挖掘(7):VC维,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

VC维

回顾与说明

如果一个假设空间存在突破点,则一定存在成长函数 mH(N) 被某个上限函数 B(N,k) 所约束,而上限函数等于一个组合的求和形式 k1i=0CiN ,易知该形式的最高次项是 Nk1 。图左和右分别是以上限函数为上限的情况和以为 Nk1 上限的情况。

可以看得出来:

mH(N)B(N,k)=i=0k1CiNNk1

再结合之前的霍夫丁不等式可得:

P[|Ein(g)Eout(g)|>ϵ]4mH(2N)exp(18ϵ2N)if k exists4Nk1exp(18ϵ2N)

该公式的意义是在输入样本N很大时,VC限制一定成立,同时等式的左边也一定会在 k3 的情况下被 Nk1 所约束(注意这里的条件没有了,原因很简单,VC限制是样本N很大的情况下产生的,因此一定满足的条件),而在 k<3 的情况下有其他的限制可以满足(比如前几章提到的如正射线之类的分类不需要多项式形式的限制也可以约束住成长函数)。

至此得知,满足以下几个条件,机器便可以学习:

  1. 假设空间的成长函数有一个突破点k;
  2. 输入数据样本N足够的大;

同时也通过VC限制得出了结论

  1. EinEout
  2. 通过算法可以找到一个假设使得 Ein0

VC维的定义

VC维(VC dimension)的定义是:最大的一个不是突破点的数,或者说,最大的一个数使得存在小于等于这些数的采样可以找到完全二分类的。

VC维是假设空间的一个性质,数据样本可以被完全二分的最大值。用 dvc 作为VC维的数学符号,假如突破点存在的话,即最小的突破点减去1就是V维;如果不存在突破点的话,则VC维为无限大。

若输入数据量 N 小于VC维,则有可能输入数据D会被完全的二分类(这里不是一定,VC维只能保证存在)。

如果输入数据量N(或者用k表示)大于VC维,则有k一定是假设空间H的突破点。

使用VC维 dvc 对公式(1)进行重写,在 N2dvc2 时,可得:

mH(N)i=0dvcCiNNdvc

对第五章中提到的几种分类,使用VC维取代突破点,表示VC维与成长函数的关系,如下表所示。

正射线

一维空间的感知器

间隔为正的分类

凸图形分类

二维平面的感知器

对上述可学习条件1中假设空间可以重新定义,即,假设空间需要具备有限的VC维。

一个有限的VC维总是能够保证寻找到的近似假设

这篇关于机器学习和数据挖掘(7):VC维的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/1102308

相关文章

重新对Java的类加载器的学习方式

《重新对Java的类加载器的学习方式》:本文主要介绍重新对Java的类加载器的学习方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、介绍1.1、简介1.2、符号引用和直接引用1、符号引用2、直接引用3、符号转直接的过程2、加载流程3、类加载的分类3.1、显示

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss